guillermo-navas-palencia/optbinning

해결하는 문제

OptBinning은 "최적의 빈(bin)화" 문제에 엄격한 수학적 접근법을 제공합니다. 데이터 과학자들이 연속형 변수를 타겟 변수(이진, 연속, 다중 클래스)와의 관계를 최대화하면서 특정 제약 조건을 충족하는 빈으로 분할할 수 있도록 도와주며, 이는 스코어카드와 같은 해석 가능한 모델을 구축하는 데 필수적인 단계입니다.

작동 방식

이 라이브러리는 수학적 프로그래밍 정식화(제약 프로그래밍 솔버 포함)를 사용하여 변수의 최적 분할점을 찾습니다. 1차원 및 2차원 빈화를 지원하며 다양한 타겟 유형을 다룰 수 있습니다. 빈화 후에는 Weight of Evidence (WoE) 또는 이벤트 비율과 같은 지표로 데이터를 변환할 수 있습니다. 또한 추정기와 통합하여 스코어카드를 생성할 수 있으며, 빈화된 변수는 타겟 예측에 기여하는 정도에 따라 점수를 부여받습니다.

대상 사용자

특히 신용 평가 또는 규제 산업에서 모델의 해석 가능성, 단조성, 엄격한 특징 공학이 요구되는 데이터 과학자 및 ML 엔지니어를 위한 것입니다.

주요 기능

• 유연한 타겟 지원: 이진, 연속, 다중 클래스 타겟 모두 지원.
• 고급 빈화: 1차원 및 2차원 최적 빈화, 그리고 조각별 빈화를 지원.
• 스코어카드 통합: 스케일링 및 점수 할당을 포함한 완전한 스코어카드 생성 가능.
• 특수 처리 기능: 스트리밍 데이터, 배치 처리, 결측치 및 특수 값 처리 지원.
• 해석 가능성 도구: 상세한 빈화 테이블, 통계 분석(Gini, IV, JS 발산), 반사적 설명 제공.